Detección de modos de transporte usando datos GPS
Titulo:

Detección de modos de transporte usando datos GPS
.

Sumario:

El uso de dispositivos móviles y el aprovechamiento de la tecnología GPS, permiten la implementación de sistemas para analizar el contexto y actividades típicas de transporte de un usuario, a través del análisis de los datos de localización y sensores de aceleración. Este trabajo de investigación comprende el procesamiento de datos obtenidos vía GPS. Con este procesamiento se pretende detectar el modo de transporte de un usuario en segmentos de recorridos predefinidos. Para la clasificación de éstos, se usan perfiles de velocidad que identifican los modos de transporte en cada uno de los segmentos, mediante un sistema software en lenguaje de programación Java y la utilización de Matlab para el análisis y filtros de datos. El sistema softwar... Ver más

Guardado en:

Cuaderno activa

2027-8101

2619-5232

Adarme Jaimes, Marco Antonio

Heredia Vizcanio, Diana

Puerto Cuadros, Eduard Gilberto

TECNOLOGICO DE ANTIOQUIA INSTITUCION UNIVERSITARIA

10.53995/20278101.417

9

2017-03-29

13

29

Colombia

Marco Antonio Adarme Jaimes, Diana Heredia Vizcanio, Eduard Gilberto Puerto Cuadros - 2017

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

info:eu-repo/semantics/openAccess

http://purl.org/coar/access_right/c_abf2

id metarevistapublica_tdea_cuadernoactiva_14_article_417
record_format ojs
spelling Detección de modos de transporte usando datos GPS
Transportation Mode Detection using GPS Data
El uso de dispositivos móviles y el aprovechamiento de la tecnología GPS, permiten la implementación de sistemas para analizar el contexto y actividades típicas de transporte de un usuario, a través del análisis de los datos de localización y sensores de aceleración. Este trabajo de investigación comprende el procesamiento de datos obtenidos vía GPS. Con este procesamiento se pretende detectar el modo de transporte de un usuario en segmentos de recorridos predefinidos. Para la clasificación de éstos, se usan perfiles de velocidad que identifican los modos de transporte en cada uno de los segmentos, mediante un sistema software en lenguaje de programación Java y la utilización de Matlab para el análisis y filtros de datos. El sistema software se desarrolla en dos componentes, el primero comprende el filtro y transformación de datos. Estos datos se representan en coordenadas decimales a coordenadas cartesianas. El segundo presenta la clasificación, para la detección de modos de transportes con las coordenadas cartesianas. También contiene el análisis de estados de movimientos cinemáticos. Las pruebas se realizan a través de un dataset tomado del proyecto GeoLife de Microsoft Asia. Los resultados obtenidos muestran una detección coherente sobre los medios de transporte que usan los diferentes usuarios. Estos usuarios se comparan a partir de perfiles de velocidad predefinidos.Palabras Clave: Detección de modos de transporte, GPS, transporte multimodal.
The use of mobile devices and GPS technology allow the implementation of systems to analyze the context and typical transport activities of a user, through the analysis of the location data and acceleration sensors. This research includes the processing of data obtained via GPS. This processing is intended to detect the mode of transport of a user in segments of predefined paths. For classification, velocity profiles that identify modes of transport in each segment are used. The software implements a Java programming language and the use of Matlab for analysis and data filters. The software system is developed into two components; the first comprises the filter and transformation of data. These data are plotted from decimal coordinates to cartesian coordinates. The second presents the classification for the detection of transport modes with cartesian coordinates. It also contains the analysis of states of kinematic movements. The tests are performed through a dataset taken from the GeoLife project of Microsoft Asia. The obtained results show a coherent detection on the means of transport that the different users use. These users are compared from predefined speed profiles.Keywords: Transportation mode detection, GPS, multimodal transport.
Adarme Jaimes, Marco Antonio
Heredia Vizcanio, Diana
Puerto Cuadros, Eduard Gilberto
9
9
Artículo de revista
Journal article
2017-03-29T00:00:00Z
2017-03-29T00:00:00Z
2017-03-29
application/pdf
text/xml
Tecnológico de Antioquia - Institución Universitaria
Cuaderno activa
2027-8101
2619-5232
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/417
10.53995/20278101.417
https://doi.org/10.53995/20278101.417
spa
https://creativecommons.org/licenses/by-nc-sa/4.0
Marco Antonio Adarme Jaimes, Diana Heredia Vizcanio, Eduard Gilberto Puerto Cuadros - 2017
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
13
29
Arentze, T. (2013). Adaptive personalized travel informationsystems: A bayesian method to learn users’ personal. IEEE Intelligent Transportation Systems Society, 14(4), 1957 - 1966.
Ashbrook, D., & Starner, T. (2003). Using GPS to learn significant locations and predict movement across. Personal and ubiquitous computing, 7(5), 275-286.
Ecomovildad. (2012). ¿A qué velocidad va el transporte público?. Recuperado de http://ecomovilidad.net/madrid/a-que-velocidad-va-el-transporte-publico/
E-Interactive. (2013). Comportamiento de usuarios en dispositivos móviles. Recuperado de http://www.e-interactive.es/wp-content/uploads/Informe-de-Marketing-Movil.pdf
Featherstone, W., & Claessens, S. (2008). Closedform transformation between geodetic and ellipsoidal coordinates. Springer, 52(1), 1-18.
Feng, T., & Timmermans, H. J. (2016). Comparison of advanced imputation algorithms for detection of transportation mode and activity episode using GPS data. Transportation Planning and Technology, 39(2), 180-194.
Microsoft Research. (2012). GeoLife GPS trajectories. Recuperado de http://research.microsoft.com/en-us/downloads/b16d359d-d164-469e-9fd4-daa38f2b2e13/
Oriol , B., Bigorra, A., Pérez , Y., Orellana, A., Russo, A., & Salvador Anton, C. (2013). Analysis of tourist behaviour based on the tracking data collected by GPS. Geographic information systems: Concepts, methodologies. doi: 10.4018/978-1-4666-2038-4.ch066
Palacios, Rafael. (2006). Matlab Central. Recuperado de http://www.mathworks.com/matlabcentral/fileexchange/10915-deg2utm
Shin, D., Aliaga, D., Tunçer, B., Müller, S., Kim, S., & Zünd, D. (2014). Urban sensing: Using smartphones for transportation mode classification. ElSEVIER, 53. 76-86.
Sohn, T., Varshavsky, A., LaMarca, A., Chen, M. Y., Choudhury, T., Smith, I., y otros. (2006). Mobility detection using everyday GSM traces. UbiComp 2006: Ubiquitous computing, 4206(221-224). Springer Berlin Heidelberg.
Stenneth, L., Wolfson, O., Yu, P. S., & Xu, B. (November 2011). Transportation mode detection using mobile phones and GIS information. Proceedings of the 19th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. Chicago, Illinois.
Wu, L., Yang, B., & Jing, P. (2016). Travel mode detection based on GPS raw data collected by smartphones: a systematic review of the existing methodologies. Multidisciplinary Digital Publishing Institute, 7 (4), 67.
Xiao, G., Juan, Z., & Zhang, C. (2015). Travel mode detection based on GPS track data and Bayesian networks. Computers, environment and urban systems, 54, 14-22.
Yan, Z., Chakraborty, D., Parent, C., & Spaccaprieta, S. (2013). Semantic Trajectories: Mobility data computation and annotation. ACM Transactions on Intelligent Systems and Technology, 4 (3).
Zhan , X., Hasan , S., Ukkusuri , S., & Kamga , C. (2013). Urban link travel time estimation using large-scale taxi data with partial information . ElSEVIER, 33,37-49.
Zhang, J., Arentze, T., & Timmermans, H. (2012). A multimodal transport network model for advanced traveler information system. Journal of Ubiquitous Systems & Pervasive Networks, 4 (1), 21-27.
Zheng, Y., Chen, Y., Quanan, L., Xie, X., & Wei-Ying, M. (2010). Understanding Transportation Modes Based on GPS Data for Web Applications. ACM, 4 (1), 1-33.
Zheng, Y., Liu, L., & Wang, L. (April 2008). Learning transportation mode from raw GPS data for geographic applications on the web. International World Wide Web Conference Committee (IW3C2). Beijing, China.
Zhu, X., Li, J., Liu, Z., Wang, S., & Yang, F. (June 2016). Learning Transportation Annotated Mobility Profiles from GPS Data for Context-Aware Mobile Services. Services Computing (SCC), 2016 IEEE International Conference.
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/417/489
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/417/1083
info:eu-repo/semantics/article
http://purl.org/coar/resource_type/c_6501
http://purl.org/coar/resource_type/c_2df8fbb1
http://purl.org/redcol/resource_type/ART
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/version/c_970fb48d4fbd8a85
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
Text
Publication
institution TECNOLOGICO DE ANTIOQUIA INSTITUCION UNIVERSITARIA
thumbnail https://nuevo.metarevistas.org/TECNOLOGICODEANTIOQUIAINSTITUCIONUNIVERSITARIA/logo.png
country_str Colombia
collection Cuaderno activa
title Detección de modos de transporte usando datos GPS
spellingShingle Detección de modos de transporte usando datos GPS
Adarme Jaimes, Marco Antonio
Heredia Vizcanio, Diana
Puerto Cuadros, Eduard Gilberto
title_short Detección de modos de transporte usando datos GPS
title_full Detección de modos de transporte usando datos GPS
title_fullStr Detección de modos de transporte usando datos GPS
title_full_unstemmed Detección de modos de transporte usando datos GPS
title_sort detección de modos de transporte usando datos gps
title_eng Transportation Mode Detection using GPS Data
description El uso de dispositivos móviles y el aprovechamiento de la tecnología GPS, permiten la implementación de sistemas para analizar el contexto y actividades típicas de transporte de un usuario, a través del análisis de los datos de localización y sensores de aceleración. Este trabajo de investigación comprende el procesamiento de datos obtenidos vía GPS. Con este procesamiento se pretende detectar el modo de transporte de un usuario en segmentos de recorridos predefinidos. Para la clasificación de éstos, se usan perfiles de velocidad que identifican los modos de transporte en cada uno de los segmentos, mediante un sistema software en lenguaje de programación Java y la utilización de Matlab para el análisis y filtros de datos. El sistema software se desarrolla en dos componentes, el primero comprende el filtro y transformación de datos. Estos datos se representan en coordenadas decimales a coordenadas cartesianas. El segundo presenta la clasificación, para la detección de modos de transportes con las coordenadas cartesianas. También contiene el análisis de estados de movimientos cinemáticos. Las pruebas se realizan a través de un dataset tomado del proyecto GeoLife de Microsoft Asia. Los resultados obtenidos muestran una detección coherente sobre los medios de transporte que usan los diferentes usuarios. Estos usuarios se comparan a partir de perfiles de velocidad predefinidos.Palabras Clave: Detección de modos de transporte, GPS, transporte multimodal.
description_eng The use of mobile devices and GPS technology allow the implementation of systems to analyze the context and typical transport activities of a user, through the analysis of the location data and acceleration sensors. This research includes the processing of data obtained via GPS. This processing is intended to detect the mode of transport of a user in segments of predefined paths. For classification, velocity profiles that identify modes of transport in each segment are used. The software implements a Java programming language and the use of Matlab for analysis and data filters. The software system is developed into two components; the first comprises the filter and transformation of data. These data are plotted from decimal coordinates to cartesian coordinates. The second presents the classification for the detection of transport modes with cartesian coordinates. It also contains the analysis of states of kinematic movements. The tests are performed through a dataset taken from the GeoLife project of Microsoft Asia. The obtained results show a coherent detection on the means of transport that the different users use. These users are compared from predefined speed profiles.Keywords: Transportation mode detection, GPS, multimodal transport.
author Adarme Jaimes, Marco Antonio
Heredia Vizcanio, Diana
Puerto Cuadros, Eduard Gilberto
author_facet Adarme Jaimes, Marco Antonio
Heredia Vizcanio, Diana
Puerto Cuadros, Eduard Gilberto
citationvolume 9
citationissue 9
publisher Tecnológico de Antioquia - Institución Universitaria
ispartofjournal Cuaderno activa
source https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/417
language spa
format Article
rights https://creativecommons.org/licenses/by-nc-sa/4.0
Marco Antonio Adarme Jaimes, Diana Heredia Vizcanio, Eduard Gilberto Puerto Cuadros - 2017
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
references Arentze, T. (2013). Adaptive personalized travel informationsystems: A bayesian method to learn users’ personal. IEEE Intelligent Transportation Systems Society, 14(4), 1957 - 1966.
Ashbrook, D., & Starner, T. (2003). Using GPS to learn significant locations and predict movement across. Personal and ubiquitous computing, 7(5), 275-286.
Ecomovildad. (2012). ¿A qué velocidad va el transporte público?. Recuperado de http://ecomovilidad.net/madrid/a-que-velocidad-va-el-transporte-publico/
E-Interactive. (2013). Comportamiento de usuarios en dispositivos móviles. Recuperado de http://www.e-interactive.es/wp-content/uploads/Informe-de-Marketing-Movil.pdf
Featherstone, W., & Claessens, S. (2008). Closedform transformation between geodetic and ellipsoidal coordinates. Springer, 52(1), 1-18.
Feng, T., & Timmermans, H. J. (2016). Comparison of advanced imputation algorithms for detection of transportation mode and activity episode using GPS data. Transportation Planning and Technology, 39(2), 180-194.
Microsoft Research. (2012). GeoLife GPS trajectories. Recuperado de http://research.microsoft.com/en-us/downloads/b16d359d-d164-469e-9fd4-daa38f2b2e13/
Oriol , B., Bigorra, A., Pérez , Y., Orellana, A., Russo, A., & Salvador Anton, C. (2013). Analysis of tourist behaviour based on the tracking data collected by GPS. Geographic information systems: Concepts, methodologies. doi: 10.4018/978-1-4666-2038-4.ch066
Palacios, Rafael. (2006). Matlab Central. Recuperado de http://www.mathworks.com/matlabcentral/fileexchange/10915-deg2utm
Shin, D., Aliaga, D., Tunçer, B., Müller, S., Kim, S., & Zünd, D. (2014). Urban sensing: Using smartphones for transportation mode classification. ElSEVIER, 53. 76-86.
Sohn, T., Varshavsky, A., LaMarca, A., Chen, M. Y., Choudhury, T., Smith, I., y otros. (2006). Mobility detection using everyday GSM traces. UbiComp 2006: Ubiquitous computing, 4206(221-224). Springer Berlin Heidelberg.
Stenneth, L., Wolfson, O., Yu, P. S., & Xu, B. (November 2011). Transportation mode detection using mobile phones and GIS information. Proceedings of the 19th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. Chicago, Illinois.
Wu, L., Yang, B., & Jing, P. (2016). Travel mode detection based on GPS raw data collected by smartphones: a systematic review of the existing methodologies. Multidisciplinary Digital Publishing Institute, 7 (4), 67.
Xiao, G., Juan, Z., & Zhang, C. (2015). Travel mode detection based on GPS track data and Bayesian networks. Computers, environment and urban systems, 54, 14-22.
Yan, Z., Chakraborty, D., Parent, C., & Spaccaprieta, S. (2013). Semantic Trajectories: Mobility data computation and annotation. ACM Transactions on Intelligent Systems and Technology, 4 (3).
Zhan , X., Hasan , S., Ukkusuri , S., & Kamga , C. (2013). Urban link travel time estimation using large-scale taxi data with partial information . ElSEVIER, 33,37-49.
Zhang, J., Arentze, T., & Timmermans, H. (2012). A multimodal transport network model for advanced traveler information system. Journal of Ubiquitous Systems & Pervasive Networks, 4 (1), 21-27.
Zheng, Y., Chen, Y., Quanan, L., Xie, X., & Wei-Ying, M. (2010). Understanding Transportation Modes Based on GPS Data for Web Applications. ACM, 4 (1), 1-33.
Zheng, Y., Liu, L., & Wang, L. (April 2008). Learning transportation mode from raw GPS data for geographic applications on the web. International World Wide Web Conference Committee (IW3C2). Beijing, China.
Zhu, X., Li, J., Liu, Z., Wang, S., & Yang, F. (June 2016). Learning Transportation Annotated Mobility Profiles from GPS Data for Context-Aware Mobile Services. Services Computing (SCC), 2016 IEEE International Conference.
type_driver info:eu-repo/semantics/article
type_coar http://purl.org/coar/resource_type/c_6501
type_version info:eu-repo/semantics/publishedVersion
type_coarversion http://purl.org/coar/version/c_970fb48d4fbd8a85
type_content Text
publishDate 2017-03-29
date_accessioned 2017-03-29T00:00:00Z
date_available 2017-03-29T00:00:00Z
url https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/417
url_doi https://doi.org/10.53995/20278101.417
issn 2027-8101
eissn 2619-5232
doi 10.53995/20278101.417
citationstartpage 13
citationendpage 29
url2_str_mv https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/417/489
url4_str_mv https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/417/1083
_version_ 1811200379189198848

Código QR

Estadísticas y Métricas Alternativas

Títulos similares